浙大博士整理的计算机视觉学习路线（含时间建议分配）_计算机视觉 学习 规划

AI 显然是最近几年非常火的一个新技术方向，从几年前大家认识到 AI 的能力，到现在产业里已经在普遍的探讨 AI 如何落地了。

我们可以预言未来在很多的领域，很多的行业，AI 都会在里边起到重要的作用。目前在商业中有所应用，而且能够创收的只有搜索推荐和计算机视觉，因此，这两个方向的人力缺口很大。因工作需要，年初花了4个月左右时间学习了机器学习、神经网络相关的知识，工作日每天大概学习4-6个小时，周末每天大概10个小时，工作中的需求应对也得心应手了。想快速入门的话，从自己的经验看，可以先不看高等数学和线性代数，因为机器学习和深度学习中涉及的相关知识并不多。视觉的知识部分建议分成两部分学习，第一部分传统图像处理，第二部分基于深度学习的图像处理。然而我发现实际上几乎80%的CV的从业者都没有从头至尾深入的学习图像处理方面的知识。现在有了深度学习，不需要人为提取特征了，所以很多人不再关注图像底层的信息，而是直接越过这个根基去搭建模型，我觉得这是一个误区。不同领域的图像，例如OCT、MR、遥感、自然图像等等，有着巨大的特征差异，对这些特征差异性都不了解，怎么在搭建模型之后对精度进行提升和改进呢?怎么在原来模型的基础上做一些改变呢?因此，我认为好好学习一下图像预处理、后处理的知识对CV有着至关重要的作用，例如图像去噪、分割、增强、增广等等。

学习心态：早就是优势，早学早受益!

然而网上很多教程也比较碎片，鉴于此，整理一条学习路线，跟着这个路线重新去梳理一下你的学习计划，相信计算机视觉水平一定会有质的提升。

第一章：机器学习与计算机视觉

计算机视觉简介

技术背景

• 了解人工智能方向、热点

计算机视觉简介

• cv简介
• cv技能树构建
• 应用领域

机器学习的数学基础

• 线性与非线性变换
• 概率学基础
• 熵
• kl散度
• 梯度下降法

计算机视觉与机器学习基础

图像和视频

• 图像的取样与量化
• 滤波
• 直方图
• 上采样
• 下采样
• 卷积
• 直方图均衡化算法
• 最近邻差值
• 单/双线性差值

特征选择与特征提取

• 特征选择方法
• filter等
• 特征提取方法：PCA、LDA、SVD等

边缘提取

• Canny
• Roberts
• Sobel
• Prewitt
• Hessian特征
• Haar特征

相机模型

• 小孔成像模型
• 相机模型
• 镜头畸变
• 透视变换

计算机视觉与机器学习进阶

聚类算法

• kmeans
• 层次聚类
• 密度聚类
• 谱聚类

坐标变换与视觉测量

• 左右手坐标系及转换
• 万向锁
• 旋转矩阵
• 四元数

三维计算机视觉

• 立体视觉
• 多视几何
• SIFT算法

三维计算机视觉与点云模型

• PCL点云模型
• spin image
• 三维重构
• SFM算法

图像滤波器

• 直通滤波
• 体素滤波
• 双边滤波器
• 条件滤波
• 半径滤波
• 图像增加噪声与降噪

OpenCV详解

OpenCV算法解析

• 线性拟合
• 最小二乘法
• RANSAC算法
• 哈希算法
• DCT算法
• 汉明距离
• 图像相似度

第二章：深度学习与计算机视觉

神经网络

深度学习与神经网络

深度学习简介

• 基本的深度学习架构
• 神经元
• 激活函数详解(sigmoid、tanh、relu等)
• 感性认识隐藏层
• 如何定义网络层
• 损失函数

推理和训练

• 神经网络的推理和训练
• bp算法详解
• 归一化
• Batch Normalization详解
• 解决过拟合
• dropout
• softmax
• 手推神经网络的训练过程

从零开始训练神经网络

• 使用python从零开始实现神经网络训练
• 构建神经网络的经验总结

深度学习开源框架

• pytorch
• tensorflow
• caffe
• mxnet
• keras
• 优化器详解(GD,SGD,RMSprop等

最后免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、图像识别、OpenCV、NLP、YOLO、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文等。

下面是部分截图，点击文末名片关注我的公众号【AI技术星球】发送暗号 321 领取

目录

一、人工智能免费视频课程和项目

二、人工智能必读书籍

三、人工智能论文合集

四、机器学习+计算机视觉基础算法教程

 五、深度学习机器学习速查表（共26张）

学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。

点击下方名片，扫码关注【AI技术星球】发送暗号 321 免费领取文中资料。